Juli
2165.940 2367.540
3069.280 4130.800
Agustus 1832.510
2367.590 3081.880
3841.730
September
1256.700 2367.700
3501.300 3549.030
Oktober 1241.540
2415.840 3635.320
3790.850
Nopember 1355.410
2534.360 3531.210
3715.080
Desember 1355.412
2610.800 3703.510
3821.990 Sumber : www.finance.yahoo.com
Tabel 4.2 diatas menunjukkan perubahan IHSG di Bursa Efek Indonesia setelah disesuaikan dengan tingkat inflasi selama periode tahun 2008-2011. Pada
pengamatan data bulanan yang dilakukan terhadap IHSG selama tahun 2008- 2011, ditemukan adanya perubahan indeks yang bernilai positif + maupun
negatif -. Apabila perubahan indeks positif, menunjukkan bahwa IHSG mengalami kenaikan dan apabila perubahan indeks bernilai negatif menunjukan
bahwa IHSG mengalami peningkatan. IHSG mencatat kenaikan terbesar selama periode 2008-2011 sebesar 4.130.800 yang terjadi pada bulan Juli 2011.
Sedangkan penurunan IHSG terbesar terjadi pada Oktober 2008 sebesar 1.241.540.
IHSG cenderung mengalami penurunan pada tahun 2008. Hal ini terlihat selama tahun 2008 mulai dari bulan Agustus, September, dan Oktober dimana
pada bulan tersebut IHSG turun secara bertahap. Sedangkan penurunan IHSG paling terbesar terjadi pada bulan Oktober 2008 sebesar 1.241.540.
IHSG cenderung mengalami kenaikan mulai pada tahun 2009-2011. Hal ini terlihat selama tahun 2009-2011 IHSG mengalami perubahan indeks terbesar
yang bernilai positif selama tahun 2009-2011 yang terjadi pada bulan Juli sebesar 4.130.800. Ini menujukan dari tahun 2009-2011 IHSG terus mengalami
peningkatan dari bulan ke bulan selama kurun waktu 2009-2011.
4.3 Uji Stasioneritas Data
Universitas Sumatera Utara
Untuk melihat stasioneritas data yang akan diteliti, dilakukan unit root test uji akar unit. Data yang tidak stasioner akan menghasilkan spurious regression
regresi palsu yaitu regresi yang menggambarkan hubungan dua variabel atau lebih yang terlihat signifikan secara statistik padahal kenyataanya tidak demikian.
Stasioneritas data pada setiap variabel dapat dilihat dengan uji Augmented Dickey Fuller ADF.
Dari hasil uji stasioneritas data, diketahui bahwa untuk variabel BIrate, nilai ADF
statistik
-5,517361 Mackinnon critical value -2,602225 pada α = 1.
Sehingga H ditolak. Artinya variabel BI rate stasioner pada derajat level, pada
tingkat kepercayaan 99. Untuk variabel IHSG, nilai ADF-statistik-5,605459 Mackinnon critical
value -2,601424 pada α = 1. Sehingga H
ditolak. Artinya variabel IHSG stasioner pada derajat level, pada tingkat kepercayaan 99.
Tabel 4.3 Hasil Uji Stasioneritas BIrate dan IHSG pada derajat level
t – Statistic Prob. ADF test statistic on BI Rate -5.517361 0.0000
Test critical values : 1 level -3.584743 5 level -2.928142
10 level -2.602225 ADF test stastic on IHSG -5.605459 0.0000
Test critical values : 1 level -3.581152 5 level -2.926622
10 level -2.601424
Karena kedua variabel stasioner pada derajat level, maka model VAR yang digunakan adalah VAR in level sehingga tidak perlu dilakukan uji kointegrasi.
4.4Penentuan Lag Length
Universitas Sumatera Utara
Penentuan lag optimal dilakukan agar lag yang digunakan tidak terlalu sedikit dan tidak terlalu banyak. Bila lag yang digunakan terlalu sedikit, maka
model tidak dapat mengestimasi actual error secara tepat. Akibatnya, error term tidak terestimasi dengan baik. Bila lag yang digunakan terlalu banyak, maka dapat
mengurangi kemampuan menolak H karena tambahan parameter yang terlalu
banyak akan mengurangi derajat bebas. Penentuan lag optimal dilakukan dengan menggunakan beberapa kriteria
informasi, yakni Akaike Information Criterion AIC, dan Schwarz Criterion SC. Lag yang dipilih adalah yang mempunyai final prediction error FPE atau
jumlah dari AIC, dan SC yang terkecil di antara lag-lag yang diajukan. Dari hasil penentuan lag length, diketahui bahwa nilai FPE terkecil berada
padaAIC lag 3.Hal tersebut menunjukkan bahwa lag optimal untuk model analisis adalah lag 3.
Tabel 4.4 Hasil Penentuan
Lag Length
Lag AIC
SIC 1
12.69307 12.92926
2 12.06578
12.46331 3
12.03103 12.59310
4 12.22235
12.95225 5
12.06021 12.96129
6 12.10508
13.18078 7
12.27479 13.52862
8 12.31096
13.74651
Pada tabel 4.4 diatas terlihat hasil dari Lag length yang dilakukan dengan menggunakan beberapa kriteria informasi, yakni Akaike Informasi CriterionAIC
dan Schwarz Criterion SC. Dari hasil tersebut bahwa AIC yang terkecil adalah
Universitas Sumatera Utara
pada Lag 3 12.03103, dan SC yang terkecil berada pada lag 2 yaitu 12.46331, sehingga diketahui FPE yang terkecil terletak pada AIC lag 3.
4.5Uji Kausalitas Granger
Uji kausalitas Granger digunakan untuk melihat arah hubungan antar variabel. Karena variabel-variabel dalam model yang diteliti memiliki lebih dari
satu nilai lag, maka harus digunakan lag yang optimum. Dalam penelitian ini, lag yang digunakan adalah lag 3 untuk kriteria AIC.
H : BIrate tidak mempengaruhi IHSG
H
1
: BIrate mempengaruhi IHSG Jika nilai probabilitas F-statistik
α, maka H ditolak. Dari hasil uji
kausalitas Granger diketahui bahwa nilai probabilitas F-statistik 0,0026 α
0,01. Dapat disimpulkan H ditolak, artinya BIrate mempengaruhi IHSG pada
tingkat kepercayaan 99. H
: IHSG tidak mempengaruhi BIrate H
1
: IHSG mempengaruhi BIrate Jika nilai probabilitas F-statistik
α, maka H ditolak. Dari hasil uji
kausalitas Granger diketahui bahwa nilai probabilitas F-statistik 0,0533 α 0,1.
Maka H ditolak, artinya IHSG mempengaruhi BIrate pada tingkat kepercayaan
90.
Tabel 4.5 Hasil Uji Kausalitas Granger
Null Hypothesis: Obs
F-Statistic Prob.
Universitas Sumatera Utara
BIRATE does not Granger Cause IHSG 45
5.68728 0.0026
IHSG does not Granger Cause BIRATE 2.79454
0.0533
Dengan demikian dapat disimpulkan bahwa hubungan antara BIrate danIHSG adalah unidirectional causality yakni variabel BIrate mempengaruhi
IHSG dan sebaliknya IHSG mempengaruhi BI rate. Hasil penelitian ini sejalan dengan teori hubungan suku bunga dengan IHSG Janes, 2004, yang menyatakan
bahwa BI rate mempengaruhi IHSG dan sebaliknya IHSG mempengaruhi BI rate. Artinya terdapat hubungan timbal balik antara BI rate dengan IHSG.
4.6 Estimasi VAR
